CASE STUDY 03SUPPLY CHAIN · INTELLIGENT SCHEDULING
智能仓储调度系统
把管理员经验，沉淀成可解释的实时调度规则。
核心结果 / KEY IMPACT
秒级响应针对日常任务与异常变化，系统可在秒级给出调度建议，并同时展示推荐依据与冲突提示。WORKFLOW / 工作流程
- 01汇集任务与资源状态
- 02优先级与规则匹配
- 03异常识别与动态改派
- 04人工确认与执行反馈
本页目录
问题背景
仓库每天持续产生入库、出库、拣选与搬运任务。紧急插单、人员占用、设备不可用和前后依赖同时出现时，调度高度依赖管理员个人经验，换人后作业质量和响应速度都会波动。
项目的目标不是简单把排班电子化，而是把管理员的隐性判断转成系统可执行、可追溯的规则，在现场高频、实时和责任明确的约束下提供可信建议。
我的角色
作为产品经理，负责场景与目标定义、业务规则产品化、可解释性和异常兜底设计，以及效果评估口径；底层算法与工程实现由研发、算法团队负责。
- 01
梳理任务生成、分派、执行与异常改派全流程，拆解任务优先级、人员设备匹配、冲突识别和动态改派能力。
- 02
通过驻仓跟班与管理员决策访谈，将“为什么派给他”拆成可结构化的业务因子和优先级。
- 03
定义调度建议的推荐依据与冲突提示，让管理者能够理解、确认或调整系统建议。
- 04
设计人工确认、改派与异常回滚机制，并以人工调整记录推动规则持续迭代。
- 05
制定任务分派时长、资源利用率、异常恢复时长与人工调整率等效果口径。
关键决策
这里保留问题、判断与取舍，呈现产品推进中的真实决策过程。
选择规则引擎，而不是强行使用大模型
- 01 /当时的问题
- 调度同时受任务、人员、设备、位置和时效等多重约束，且现场需要秒级响应与可追责的决策依据。
- 02 /我怎么判断
- 采用规则引擎与任务—资源匹配策略，把管理员的经验显性化，并让系统输出“建议 + 依据 + 冲突提示”。
- 03 /取舍了什么
- 没有追求看起来更智能的大模型方案。规则的表达能力和覆盖度需要持续维护，但确定性、延迟、成本和可解释性更符合这个场景。
从“自动分派”收敛为“建议 + 人工确认”
- 01 /当时的问题
- 现场人员位置和设备状态会滞后或缺失，脏数据一旦导致连续错误分派，管理员会很快放弃系统。
- 02 /我怎么判断
- 系统给出调度建议和依据，由管理员确认或调整；调整记录成为下一轮定位规则缺口的真实反馈。
- 03 /取舍了什么
- 放弃了完全自动化带来的表面效率。多出确认动作，却让系统在数据能力尚未完全成熟时，仍能以可信方式进入日常作业。
不可信资源不进入推荐池
- 01 /当时的问题
- 如果系统基于过期或缺失的状态推荐人员和设备，错误建议会直接影响作业执行。
- 02 /我怎么判断
- 为任务、人员和设备数据定义更新机制与置信度；状态不可信的资源不参与推荐，并针对人工调整率高的场景补充规则。
- 03 /取舍了什么
- 选择“宁可少推荐，不可推荐错”。可用候选变少会降低覆盖率，但优先保护推荐质量和现场信任。
结果
针对日常任务与异常变化，系统可在秒级给出调度建议，并同时展示推荐依据与冲突提示。
覆盖紧急插单、设备不可用、人员占用等场景：任务状态感知 → 规则判断 → 调度建议 → 人工确认调整 → 执行反馈。
将依赖个人经验的调度过程沉淀为可复用规则与产品流程，并通过人工调整记录持续识别规则缺口。
服务顺丰内部供应链体系，同时面向国家电网、南方电网等外部客户的仓储作业场景。
复盘
“是否使用 AI”本身就是产品判断。对于路径清晰、可解释性和实时性优先的场景，先把业务规则、数据质量和人工责任边界做好，比引入更自由的模型能力更有价值。
脱敏说明：基于个人项目经历整理，已省略客户现场、系统参数、规则细节和未公开业务数据；不展示未经确认的仓库规模或效率百分比。